[0001] 本发明涉及电力系统负荷预测技术领域，具体涉及基于深度学习电力负荷预测方法。

[0002] 随着电力系统不断发展，电力系统对社会的经济发展也越来越重要。随着电网技术的不断进步和经济社会对电力需求的增加，目前电力能源服务已经覆盖诸多领域。在此背景下，电网系统的正常运行十分重要，而电力需求预测对于电网系统的运行有着重要的意义，电网系统的复杂性与多变性决定了对电力负荷预测需要有较强的自适应与较高的准确性，目前主流的电力负荷预测方法是基于深度学习的方法，通过选择、优化模型及调整参数以获得更好的电力负荷预测结果。现有技术中可通过负荷预测系统实现电力数据的负荷预测功能。

[0003] 针对现有技术存在一下问题：现有的预测方法不能够根据周围环境的实际情况，如温度、湿度、节假日等特征预测未来的电力负荷，预测的准确度较低，因此提出基于深度学习电力负荷预测方法。

[0015] 以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

[0016] 如图1‑3所示，本发明提供了基于深度学习电力负荷预测方法，该基于深度学习电力负荷预测方法，包括以下步骤：步骤S1，数据预处理：
步骤S101：收集历史电力的负荷数据组成的数据集，并进行数据清洗，去除异常值和噪声，每个数据集样本包括是否为节假日、外界环境温度值、湿度值、当天电力负荷值及未来三天电力平均负荷值五个指标，数据集中是否为节假日，是输入值为1，否输入值为0；
步骤S102：对数据集进行归一化处理，数据集取值为（‑1,1）使数据集的取值范围统一，以提高模型的训练效果；
步骤S2，模型训练：
步骤S201：将预处理后的数据集输入到Autoformer模型中进行训练，利用数据集对Autoformer模型进行训练时，其中Autoformer模型以经过预处理后的是否为节假日、外界环境温度值、湿度值、当天电力负荷值四个指标作为输入，以未来三天电力平均负荷值作为输出；将预处理后的数据分为训练集和验证集，利用训练集输入到Autoformer模型中进行训练后，并利用验证集评估Autoformer模型的表现精度；
如图2所示，Autoformer模型包含编码器和解码器两个部分，编码器包含若干个自注意力机制层和序列分解块，用于提取输入序列中的长期趋势和周期性特征，编码器中引入改进的序列分解块，使得Autoformer模型能够更好地提取时间序列中的长期趋势和周期性特征，解码器则根据这些特征进行未来负荷的预测；
步骤S202：在训练过程中，使用滑动窗口方法（如图3所示）生成训练样本，每个样本包含固定长度的历史负荷数据，使模型能够捕捉到时间序列中的长期依赖关系，通过滑动窗口方法生成多个训练样本，增强了模型对时间序列中长期依赖关系的学习能力；
步骤S3，负荷预测：
步骤S301：针对需要预测未来一段时间的电力负荷情况，首先测定当天是否为节假日、当天外界环境温度值、湿度值、当天电力负荷值四个指标，将其标准化后输入Autoformer模型中，得到未来三天电力平均负荷值的预测结果；
步骤S302：对预测结果进行反归一化处理，得到实际负荷值。

[0017] 本发明还包括预测报警模块，预测报警模块用于预测未来三天电力平均负荷值数据超过预期负荷时，进行及时报警，发出提示信号。

[0018] 综上所述，本发明提供了一种基于深度学习的电力负荷预测方法，采用了改进的Autoformer模型。通过对历史负荷数据的分析和建模，实现了对未来电力负荷的准确预测，有效提升了电力系统的运行效率和稳定性。

[0019] 以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。